Phát hiện và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh

LỜI CAM ĐOAN

Tôi - Nguyễn Thế Thụy xin cam đoan những nội dung trình bày luận văn này là
kết quả tìm hiểu, nghiên cứu của bản thân dưới sự hướng dẫn của TS. Nguyễn Văn
Tảo và tham khảo từ các nhà nghiên cứu đi trước. Nội dung tham khảo, kế thừa, phát
triển từ các công trình đã được công bố được trích dẫn, ghi rõ nguồn gốc.
Nếu có gì sai phạm tôi xin hoàn toàn chịu trách nhiệm.
Người cam đoan

Nguyễn Thế Thụy

1


LỜI CẢM ƠN
Trong quá trình thực hiện luận văn mặc dù gặp rất nhiều khó khăn nhưng tôi luôn
nhận được sự quan tâm, giúp đỡ từ thầy cô, đồng nghiệp bạn bè và người thân. Đây là
nguồn động lực giúp tôi hoàn thành luận văn này.
Tôi xin gửi lời chân thành cảm ơn tới TS. Nguyễn Văn Tảo đã tận tình giúp đỡ,
hướng dẫn và chỉ bảo trong quá trình thực hiện luận văn.
Tôi xin chân thành cảm ơn tới quý Thầy, Cô Trường Đại học Công nghệ thông tin
và Truyền thông Thái Nguyên đã tận tình chỉ bảo, truyền đạt những kiến thức qúy báu
giúp tôi hoàn thành nhiệm vụ học tập trong suốt thời gian theo học tại trường. Quý Thầy
Cô đã giúp tôi có được những kiến thức quan trọng trong lĩnh vực Công nghệ thông tin,
là nền tảng vững chắc cho những nghiên cứu của bản thân trong thời gian tới.
Tôi xin cảm ơn anh em, đồng nghiệp đã giúp đỡ, ủng hộ tinh thần trong thời gian
tôi tham gia học tập.
Cuối cùng, tôi xin cảm ơn tất cả những người đã luôn luôn quan tâm, sẻ chia và
động viên tôi.
Hà Nội, ngày 17 tháng 07 năm 2015
Nguyễn Thế Thụy

2


MỤC LỤC
LỜI CAM ĐOAN ........................................................................................................ 1
LỜI CẢM ƠN ............................................................................................................. 2
DANH MỤC CÁC HÌNH VẼ...................................................................................... 5
LỜI MỞ ĐẦU ............................................................................................................. 6
CHƯƠNG 1: SINH TRẮC HỌC VÀ BÀI TOÁN NHẬN DẠNG KHUÔN MẶT
ỨNG DỤNG TRONG ĐIỂM DANH .......................................................................... 7
1.1. Tổng quan về sinh trắc học ............................................................................... 7
1.1.1. Hệ thống sinh trắc học............................................................................... 9
1.1.1.1. Hệ thẩm định (Verification) ............................................................. 10
1.1.1.2. Nhận dạng (Identification, Recognition) .......................................... 10
1.1.1.3. Các thành phần chức năng chủ yếu .................................................. 10
1.1.1.4. Hoạt động của hệ thống ................................................................... 11
1.1.2. Đánh giá hiệu năng và chất lượng hoạt động của hệ sinh trắc học ........... 11
1.1.3. Hệ thống an ninh bảo mật dựa trên sinh trắc học ..................................... 12
1.2. Phát hiện và nhận dạng khuôn mặt ................................................................. 13
1.3. Những khó khăn và thách thức trong bài toán nhận dạng khuôn mặt ............... 15
1.4. Các ứng dụng của bài toán nhận dạng khuôn mặt............................................ 16
1.5. Bài toán điểm danh dựa trên khuôn mặt .......................................................... 17
1.5.1. Bài toán điểm danh và quản lý nhân sự ................................................... 17
1.5.2. Đầu vào của bài toán ............................................................................... 18
1.5.3. Đầu ra và ý nghĩa thực tiễn...................................................................... 19
CHƯƠNG 2: MỘT SỐ KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT21
2.1. Một số kỹ thuật phát hiện mặt người trong ảnh ............................................... 21
2.1.1. Hướng tiếp cận dựa trên đặc trưng của ảnh ............................................. 22
2.1.1.1. Phân tích mức thấp (Low level analysis) .......................................... 23

2.1.1.2. Phân tích đặc trưng (Feature Analysis) ............................................ 28
2.1.1.3. Mô hình hình dạng động (Active shape models) .............................. 33
2.1.2. Hướng tiếp cận dựa trên ảnh (Image based detection) ............................. 37
2.1.2.1. Phương pháp không gian con tuyến tính (Linear subspace methods) 38
2.1.2.2. Mạng neural..................................................................................... 41
2.1.2.3. Phương pháp thống kê (Statistical approachs) .................................. 44
3


2.2. Một số kỹ thuật nhận dạng khuôn mặt ............................................................ 47
2.2.1. Phương pháp phân tích thành phần chính (PCA)......................................49
2.2.2. Phương pháp phân tách tuyến tính (LDA)................................................49
2.2.3. Phương pháp mạng neural .......................................................................52
CHƯƠNG 3: CÀI ĐẶT THỬ NGHIỆM................................................................54
3.1. Yêu cầu thực nghiệm, ứng dụng ..................................................................... 54
3.2. Phân tích lựa chọn giải pháp, công cụ ............................................................ 55
3.3. Một số kết quả cài đặt thực nghiệm ............................................................... 56
3.3.1. Giao diện của chương trình ......................................................................56
3.3.2. Một số kết quả điểm danh dựa trên khuôn mặt .........................................61
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ..............................................................65
TÀI LIỆU THAM KHẢO ......................................................................................66

4


DANH MỤC CÁC HÌNH VẼ
Hình 1.1.Các đặc trưng sinh trắc phổ biến ................................................................... 8
Hình 1.2. Mô hình hệ thống sinh trắc học .................................................................... 9
Hình 1.3. Các giá trị ngưỡng của FAR và FRR .......................................................... 11
Hình 1.4. Mô hình hệ thống nhận dạng mặt người ...... Error! Bookmark not defined.

Hình 2.1. Sơ đồ các hướng tiếp cận và phương pháp phát hiện mặt người .......... Error!
Bookmark not defined.
Hình 2.2.Hệ thống tìm kiếm mặt của Maio và Maltoni Error! Bookmark not defined.
Hình 2.3. Một số không gian riêng của CSDL ảnh ORL ............................................ 38
Hình 2.4. Mô hình mạng neural của Rowley và cộng sựError!

Bookmark

not

defined.
Hình 2.5. Hệ thống nhận dạng khuôn mặt .................... Error! Bookmark not defined.
Hình 2.6. Ví dụ minh họa LDA.................................................................................. 47
Hình 2.7. Ảnh sau khi biến đổi theo LDA .................................................................. 49
Hình 2.8. Mạng neural 2 lớp truyền thẳng .................... Error! Bookmark not defined.

Hình 3.1. Quy trình hoạt động của hệ thống điểm danh dựa trên khuôn mặt …Error! Bookmark not de
Hình 3.2. Giao diện chính của chương trình ................. Error! Bookmark not defined.
Hình 3.3. Hình ảnh từ camera và xử lý tương ứng........ Error! Bookmark not defined.
Hình 3.4. Giao diện quản lý danh sách điểm danh và điểm danhError! Bookmark not
defined.
Hình 3.5. Giao diện quản lý danh sách ảnh ................................................................ 60
Hình 3.6. Cơ sở dữ liệu ảnh ...................................................................................... 60
Hình 3.7. Giao diện các lựa chọn trên thanh thực đơn ................................................ 61

5


LỜI MỞ ĐẦU
Công nghệ Sinh trắc học (Biometric) là một công nghệ sử dụng những thuộc tính

vật lý hoặc các mẫu hành vi, các đặc điểm sinh học đặc trưng như dấu vân tay, mẫu
mống mắt, giọng nói, khuôn mặt, dáng đi... để nhận diện con người.
Công nghệ sinh trắc học được áp dụng phổ biến và lâu đời, trong đó phương pháp
sử dụng nhận dạng khuôn mặt là tự nhiên nhất. Phương pháp này được chính bản thân
con người sử dụng từ khi được sinh ra để phân biệt giữa người này và người khác.
Ứng dụng khả năng phân biệt dựa trên các đặc điểm khác nhau của khuôn mặt, bài
toán “Phát hiện và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh” là bài
toán có khả năng ứng dụng cao với chi phí thấp được áp dụng trong các cơ quan,
doanh nghiệp.
Với sự hỗ trợ của camera, máy tính và phần mềm điểm danh, nhà quản lý thu được
thông tin về sự có mặt và thời gian làm việc của người lao động một cách chính xác và
khách quan với chi phí thấp. Việc áp dụng nhận dạng khuôn mặt có thể được sử dụng
một cách độc lập với ưu điểm hơn các phương pháp sinh trắc học khác ở tính tự nhiên
của nó, đồng thời đây cũng có thể là một phương pháp được sử dụng kết hợp với các
phương pháp sinh trắc khác để nâng cao tính chính xác của hệ thống khi vận hành.
Chính vì tầm quan trọng của phát hiện, nhận dạng khuôn mặt nói riêng và công
nghệ sinh trắc nói chung, tôi thực hiện đề tài “Phát hiện và nhận dạng khuôn mặt từ
camera, ứng dụng trong điểm danh” với mục tiêu tìm hiểu các thuật toán phát hiện và
nhận dạng khuôn mặt người từ đó xây dựng chương trình điểm danh dựa trên khuôn
mặt. Tôi hy vọng đề tài này sẽ đem lại một số kiến thức hữu ích cho những ai quan
tâm đến vấn đề về phát hiện và nhận dạng khôn mặt cũng như lĩnh vực sinh trắc học.
Nội dung luận văn được chia làm 3 phần chính: Chương 1 trình bày khái quát về
quản lý học viên và bài toán điểm danh, trong đó nêu rõ đầu vào và đầu ra của bài toán
cũng như ứng dụng thực tiễn của bài toán. Chương 2 là những nghiên cứu, tìm hiểu về
các thuật toán phát hiện và nhận dạng khuôn mặt. Chương 3 trình bày thực nghiệm và
ứng dụng của chương trình điểm danh dựa trên nhận dạng khuôn mặt. Phần cuối cùng
là kết luận và hướng phát triển tiếp theo của luận văn.

6

CHƯƠNG 1: SINH TRẮC HỌC VÀ BÀI TOÁN NHẬN DẠNG KHUÔN
MẶT ỨNG DỤNG TRONG ĐIỂM DANH
1.1. Tổng quan về sinh trắc học
Sinh trắc học hay công nghệ sinh trắc học (thuật ngữ khoa học là Biometric) là
công nghệ sử dụng những thuộc tính vật lý, đặc điểm sinh học riêng của mỗi cá nhân
như vân tay, mống mắt, khuôn mặt... để nhận diện. Thuật ngữ sinh trắc học
(Biometric) được dùng ghép theo tiếng Hy Lạp từ 2 từ: Bio (thuộc về thực thể sinh vật
sống) và metriko (kỹ thuật độ đo, đo lường), thuật ngữ này đã được hình thành trong
quá trình phát triển loài người và được biết đến từ lâu để thể hiện các đặc trưng về thể
chất hay về hành vi của từng cá thể con người. Có nhiều loại đặc trưng sinh trắc học:
vân tay (Fingerprint), lòng bàn tay (Palm print), dạng hình học bàn tay (Hand
geometry), chữ ký viết tay (Hand written Signature), khuôn mặt (Face), tiếng nói
(Voice), con ngươi mắt (Iris), võng mạc (Retina)... Những đặc trưng này đã được phát
hiện từ rất sớm để nhận dạng, xác thực chủ thể con người và hiện nay đang được quan
tâm nghiên cứu triển khai ứng dụng trong các lĩnh vực an ninh, quốc phòng, thương
mại, công nghiệp, dịch vụ... Các đặc trưng sinh trắc học của cơ thể người được sử
dụng phải đảm bảo các tiêu chuẩn sau đây: [1]
- Tính rộng rãi: là tính chất cho biết thông thường mọi người đều có đặc trưng này,
có thể tạo ra khả năng sử dụng hệ thống an ninh sinh trắc học cho một số lượng
người lớn.
- Tính phân biệt: là tính chất phân biệt đặc trưng sinh trắc học giữa hai người bất
kỳ phải khác nhau, đảm bảo sự duy nhất của chủ thể sinh trắc.
- Tính ổn định: là tính chất mà đặc trưng sinh trắc phải có tính ổn định trong một
thời gian tương đối dài.
- Tính dễ thu thập: là tính chất đặc trưng sinh trắc học phải dễ dàng thu nhận mẫu
khi đăng ký, kiểm tra xác thực, nâng cao tính khả thi trong sử dụng.
- Tính hiệu quả: là tính chất mà việc xác thực sinh trắc phải chính xác, nhanh
chóng và tài nguyên cần sử dụng được chấp nhận.
- Tính chấp nhận được: là tính chất mà quá trình thu thập mẫu sinh trắc phải được

sự đồng ý của người dùng.

7


- Chống giả mạo: là tính chất ưu việt của việc sử dụng đặc trưng sinh trắc, khả
năng mẫu sinh trắc khó bị giả mạo cao...

Hình 1.1.Các đặc trưng sinh trắc phổ biến
Đã có rất nhiều đặc trưng sinh học khác nhau đã và đang được sử dụng. Mỗi loại
đặc trưng sinh trắc có điểm mạnh và điểm yếu riêng. Tuy nhiên không một đặc trưng
nào thỏa mãn tốt và đầy đủ tất cả các yêu cầu tính chất của một đặc trưng sinh trắc học
nêu trên, nghĩa là không có một đặc trưng sinh trắc học hoàn toàn tối ưu. Trong một
công trình nghiên cứu, các chuyên gia đã đưa ra một bảng so sánh khái quát các tiêu
chuẩn đánh giá các tính chất tương ứng các đặc trưng sinh trắc học sau đây: [1]

Tính

Tính

rộng

phân

ổn

rãi

biệt

định

M

M

M

M

M

M

L

M

M

M

H

M

M

M

Vân tay

M

H

H

M

H

M

M

Dáng đi

M

L

L

H

L

H

M

Khuôn mặt

H

L

M

H

L

H

H

Võng mạc

H

H

M

L

H

L

L

Mống mắt

H

H

H

M

H

L

L

Đặc trưng sinh
trắc học

Vân bàn tay

Tính dễ
thu thập

Tính

Tính

Tính

hiệu
quả

chấp

Chống

nhận

giả mạo

được

Dạng hình học
bàn tay

8


Chỉ tay

M

H

H

M

H

M

M

Giọng nói

M

L

L

M

L

H

H

Bảng 1.1: So sánh các công nghệ nhận dạng sinh trắc học
Trong đó: Các ký hiệu có ý nghĩa như sau: H (cao), M (trung bình) và L (thấp).
1.1.1. Hệ thống sinh trắc học

Hình 1.2: Mô hình hệ thống sinh trắc học [2]

Một hệ thống sinh trắc học (Biometric System) thực chất là một hệ nhận dạng
dựa trên các đặc điểm về hành vi hay thuộc tính vật lý của người cần nhận dạng. Hệ
9


thống sinh trắc học được phân ra thành hai loại chính: hệ thẩm định (Verification) và
hệ nhận dạng (Identification, Recognition) [1]
1.1.1.1. Hệ thẩm định (Verification)
Hệ thẩm định (Verification) là hệ thống thực hiện nhiệm vụ đối sánh 1-1 giữa
mẫu sinh trắc học thu nhận được (biometric sample) với mẫu dạng sinh trắc học
(biometric template) đã có trong hệ thống từ trước. Kết quả trả lời câu hỏi mẫu sinh
trắc thu nhận có liên quan tới mẫu dạng sinh trắc hay không? Thông thường trong hệ
thẩm định có kết hợp với thông tin định danh chủ thể để thực hiện chức năng xác thực
thẩm định sinh trắc (Authentication). Trong hệ xác thực thẩm định đòi hỏi cao về độ
chính xác để kết quả trả lời câu hỏi “Sinh trắc học sống thu nhận được (biometric
sample) có phải là sinh trắc của chủ thể đã lưu trong hệ thống không?” [1]
1.1.1.2. Nhận dạng (Identification, Recognition)
Hệ nhận dạng (Identification, Recognition) là hệ thống thực hiện chức năng tìm
kiếm (1-n) từ một cơ sở dữ liệu lưu trữ một tập các mẫu sinh trắc học để tìm ra một
mẫu sinh trắc cụ thể trong các mẫu khuôn dạng sinh trắc thu thập từ trước và sau đó
thực hiện đối sánh xấp xỉ để nhận dạng phân lớp (Classification) hoặc nhận dạng đồng
nhất (Identification), ví dụ như việc tìm mẫu vân tay tội phạm trong hồ sơ các vân tay,
từ đó xác định danh tính của chủ sở hữu vân tay. [1]
1.1.1.3. Các thành phần chức năng chủ yếu
- Thu nhận (Sensor, Capture): là thành phần có chức năng thu nhận mẫu sinh trắc
học và biểu diễn chúng dưới dạng số hóa.
- Xử lý và trích chọn đặc trưng (Feature Extraction): là thành phần chức năng thực
hiện các phép xử lý phân tích và trích chọn các đặc trưng từ mẫu sinh trắc học.
- Đối sánh (Matching): là thành phần chức năng thực hiện so sánh các đặc trưng
vừa trích chọn với khuôn mẫu sinh trắc đã có trước.

- Ra quyết định (Decision): là thành phần chức năng khẳng định danh tính người
dùng (với hệ nhận dạng) dựa trên kết quả đối sánh của chức năng đối sánh có thể
là một câu trả lời đúng hoặc một câu trả lời sai về mẫu sinh trắc học so với khuôn
mẫu sinh trắc có từ trước (với hệ thẩm định). [1]

10


1.1.1.4. Hoạt động của hệ thống
Hoạt động của một hệ thống sinh trắc bao gồm 2 giai đoạn cơ bản sau đây:
- Đăng ký (Enrollment): là giai đoạn đăng ký mẫu sinh trắc vào hệ thống.
- Thẩm định hoặc nhận dạng (Verification/Identification): là giai đoạn thẩm định,
nhận dạng mẫu sinh trắc vừa trích chọn với khuôn mẫu sinh trắc đã có trước.
1.1.2. Đánh giá hiệu năng và chất lượng hoạt động của hệ sinh trắc học
Một hệ sinh trắc học khi hoạt động thường gặp hai vấn đề về lỗi sau đây:
- Lỗi phát sinh khi đối sánh mẫu sinh trắc của hai người khác nhau nhưng cho kết
quả là của cùng một người. Lỗi này được gọi là loại bỏ sai (false reject hay false
match).
- Lỗi phát sinh khi đối sánh hai mẫu sinh trắc của cùng một người nhưng cho kết
quả sai, vì cho rằng là của hai người khác nhau. Lỗi này được gọi là chấp nhận
sai (false accept hay false nonmatch). Để đo lường mức độ lỗi của hệ thống sinh
trắc, các độ đo lường thường dùng được định nghĩa như sau:
- FMR (False Match Rate): còn gọi là FAR (False Accept Ratio) - Tỷ số chấp nhận
sai: cho biết tỉ lệ trả lời là đúng đối với dữ liệu vào là sai.
- FNMR (False Nonmatch Rate): còn gọi là FRR (False Rejection Ratio).
- Tỷ số từ chối sai: cho biết tỉ lệ trả lời là sai đối với dữ liệu vào là đúng.
Một vấn đề là hai độ đo lường này có sự ràng buộc với nhau như sau: nếu FAR
cao thì FRR sẽ giảm tương đối và ngược lại. Mức độ chấp nhận được của FAR và
FRR tùy thuộc vào từng hệ xác thực sinh trắc cụ thể. Với hệ yêu cầu tính bảo mật cao,
và đặt nặng vấn đề an toàn của xác thực hơn sự tiện dụng của người dùng, thì FAR sẽ

nhỏ và FRR sẽ cao. Ngoài hai độ đo trên, người ta còn sử dụng độ đo FTC (Failure To
Capture - thu nhận mẫu thất bại) và FTE (Failure to Enroll - chấp nhận mẫu thất bại)
để đánh giá hiệu năng của hệ xác thực sinh trắc học. [1]

11


Hình 1.3: Các giá trị ngưỡng của FAR và FRR [3]
1.1.3. Hệ thống an ninh bảo mật dựa trên sinh trắc học
Hệ thống sinh trắc học có những ưu điểm mà hệ bảo mật thông thường không
có, trong những cuộc nghiên cứu hệ thống an ninh, bảo mật dựa trên hệ sinh trắc học
(Biometric Security System) đã được quan tâm nghiên cứu và đưa vào ứng dụng thực
tiễn. Hướng nghiên xây dựng hệ thống trên cơ sở kết hợp hệ thống sinh trắc học với hệ
mật mã (Biometric Cryptosystem) đang là vấn đề thời sự được quan tâm nghiên cứu
phát triển. Sự kết hợp này nhằm mục tiêu nâng cao tính an toàn của hệ mật mã dựa
trên các ưu điểm của hệ thống sinh trắc học. Hệ thống an ninh, bảo mật sinh trắc học
(Biometric based Security System) dựa trên sự nhận biết hoặc thẩm định các đặc trưng
về thể chất hay về hành vi con người để nhận dạng, xác thực từng chủ thể. Cùng với sự
phát triển nhanh chóng của CNTT và truyền thông, hệ thống an ninh dựa trên nhận
dạng, thẩm định xác thực sinh trắc học đã và đang được quan tâm nghiên cứu và có
nhiều triển khai ứng dụng trong những năm gần đây trên thế giới. Đối với các giao
dịch điện tử và truyền thông, đây là một trong các hướng tiếp cận mới về an ninh
thông tin và mạng, an toàn dữ liệu. Phương pháp này mở ra triển vọng lớn về an toàn
trong các giao dịch điển tử, chính phủ điển tử, thương mại điện tử... [1]
Các lĩnh vực nghiên cứu về hệ thống an ninh sinh trắc học (Biometric Security
Systems).
12


- Các các nghiên cứu cơ bản về các loại sinh trắc học, về phương pháp trích chọn

đặc trưng sinh trắc và về nhận dạng, thẩm định xác thực chủ thể con người.
- Các hệ nhận dạng, thẩm định xác thực sinh trắc học chủ thể trong hệ thống.
- Mật mã sinh trắc học (Biometric Cryptography). Trong hệ mật mã thông thường,
điểm yếu thường ở quá trình bảo vệ, quản lý và phân phối khóa. Nguy cơ này đe
dọa các mục tiêu về xác thực và chống phủ nhận. Hệ sinh trắc học được ứng
dụng giải quyết vấn đề đó. Hiện nay có hai hướng tiếp cận để kết hợp sinh trắc
học và mật mã học như sau: [1]
- Dùng sinh trắc học quản lý khóa (biometric-based key release).
- Dùng sinh trắc học để tạo khóa (biometric-based key generation).
1.2. Phát hiện và nhận dạng khuôn mặt
Vấn đề nhận dạng mặt người có thể trình bày một cách tổng quan như sau: Cho
một ảnh tĩnh hay một đoạn video, hãy phát hiện và nhận ra những người trong ảnh hay
trong đoạn video đó dựa trên một tập cho trước các dữ liệu về các mặt người đã biết.
Giải pháp cho vấn đề này bao gồm bốn vấn đề: phát hiện các mặt người từ ảnh (video),
trích chọn đặc trưng từ vùng ảnh, nhận dạng ảnh và xác minh. Với quá trình nhận
dạng, đầu vào là một ảnh chưa biết, sau quá trình nhận dạng, hệ thống đưa ra định
danh về người trong ảnh và trong quá trình xác minh, hệ thống phải được xác định
rằng việc nhận dạng đấy là chính xác hay không. Về mặt tổng quát, mỗi phương pháp
nhận dạng mặt người đều có thể được chia thành 2 module: Module phát hiện mặt
người trong ảnh và module nhận dạng mặt người.
Được khởi đầu vào những năm 70, nhận dạng mặt người là một trong những ứng
dụng của phân tích và xử lý ảnh đạt được nhiều thành tựu nhất. Trong thời gian gần
đây, do sự phát triển như vũ bão của khoa học máy tính và yêu cầu thực tiễn trong các
lĩnh vực kinh tế, luật pháp…, vấn đề nhận dạng mặt người đang được đặc biệt chú ý.
Một loạt các hội thảo được tổ chức bàn về vấn đề này như AFGR, AVBPA và những
đánh giá mang tính hệ thống về các kỹ thuật nhận dạng mặt người (Face Recognition
Techniques - FRT), bao gồm phương pháp FERET và XM2VTS.
Nhu cầu cấp thiết về các hệ thống thân thiện với người sử dụng đã đảm bảo cho
các nghiên cứu về sau không bị lãng phí trong hàng loạt những nghiên cứu đã được
thực thi trước đó. Hiện nay, để rút tiền từ ATM ta phải nhập PIN, hay để truy cập một

13


máy tính ta phải nhập mật khẩu hay hàng loạt phương pháp khác để truy cập vào
Internet. Hiện đã có hàng loạt các phương pháp nhận dạng có độ tin cậy cao dựa vào
các kỹ thuật nhân trắc học; chẳng hạn như, kỹ thuật phát hiện vân tay hay kỹ thuật
quét nhận dạng võng mạc. Tuy nhiên, những hệ thống này có chung nhược điểm là
phức tạp và yêu cầu cần có sự phối hợp của nhiều người cùng xử lý. Bên cạnh đó, một
hệ thống nhận dạng dựa trên kỹ thuật phân tích ảnh mặt nhìn thẳng của một người sẽ
đơn giản hơn nhiều, không đòi hỏi có nhiều người cùng xử lý và cũng không đòi hỏi các
kiến thức chuyên môn sâu. Chính vì thế, hệ thống nhận dạng người dựa trên kỹ thuật
phân tích ảnh mặt đang ngày càng được ứng dụng rộng rãi. Các ứng dụng của nhận dạng
người dựa trên mặt được thể hiện trong Bảng 1.2.
Lĩnh vực

Các ứng dụng đặc trưng
Driver’s licences, Entitlement Programs

Nhân trắc học

Immigration, National ID, Passports, Voter Registration
Welfare
Desktop Logon (Windows 95, Windows NT)
Application Security, Database Security, File Encryption

An toàn thông tin

Intranet Security, Internet Access, Medical Records
Secure Trading Terminals
Advanced Video Surveillance, CCTV Control

Law Enforcement
and Surveillance
SmartCards
Access Control

Portal Control, Post-Event Analysis
Shoftlifting and Suspect Tracking and Investigation
Stored Value Security, User Authentification
Facility Access, Vehicular Access

Bảng 1.2. Các ứng dụng tiêu biểu của nhận dạng mặt người.
Một hệ thống nhận dạng mặt người điển hình bao gồm các thành phần chính như
Hình 1.4.

Ảnh
mặt
người

Trích
chọn đặc
trưng

Nhận
dạng mặt
người

Hình 1.4. Mô hình hệ thống nhận dạng mặt người.

14

Thông tin
người được
nhận dạng


Nhận dạng mặt người (Face recognition) được nghiên cứu từ những năm 1980, là
một lĩnh vực nghiên cứu của ngành thị giác máy tính (Computer Vision) và cũng được
xem là một lĩnh vực nghiên cứu của ngành sinh trắc học (Biometrics) tương tự như
nhận dạng vân tay (Fingerprint recognition), hay nhận dạng mống mắt (Iris
recognition)… Trong khi nhận dạng vân tay và mống mắt có thể áp dụng trên thực tế
một cách rộng rãi thì nhận dạng mặt người vẫn còn nhiều thách thức. So với nhận dạng
vân tay và mống mắt, nhận dạng mặt có nguồn dữ liệu phong phú hơn và ít đòi hỏi sự
tương tác có kiểm soát hơn. Bài toán nhận dạng mặt người còn nhiều thách thức nên
hàng năm trong và ngoài nước vẫn có nhiều nghiên cứu về các phương pháp nhận
dạng mặt người.
Nhận dạng khuôn mặt là một nhiệm vụ dễ dàng đối với con người. Thí nghiệm
trong [9] đã chỉ ra, ngay cả trẻ sơ sinh 1-3 ngày tuổi có thể phân biệt khuôn
mặt. Nhưng làm thế nào với một máy tính? Cho đến nay chúng ta biết rất ít về nhận
dạng con người. Có phải đặc điểm bên trong (mắt, mũi, miệng) hoặc các đặc điểm bên
ngoài (hình dạng đầu, chân tóc) được sử dụng cho một nhận dạng khuôn mặt. Bộ não
con người phân tích một hình ảnh và mã hóa như thế nào? Theo nghiên cứu được bởi
David Hubel và Torsten Wiesel, rằng não của chúng ta có tế bào thần kinh chuyên biệt
phản ứng với từng hoàn cảnh cụ thể, chẳng hạn như đường, cạnh, góc độ hoặc chuyển
động. Vì chúng ta không nhìn thấy thế giới như những mảnh phân tán, vỏ não của
chúng ta bằng cách nào đó phải kết hợp các nguồn thông tin khác nhau vào các mẫu
hữu ích. Nhận diện khuôn mặt tách ra những đặc điểm có ý nghĩa từ một hình ảnh, đưa
chúng vào một sự biểu diễn hữu ích và thực hiện một số phân loại.
1.3. Những khó khăn và thách thức trong bài toán nhận dạng khuôn mặt
Việc xác định khuôn mặt người có những khó khăn nhất định như:

- Hướng (pose) của khuôn mặt đối với máy ảnh, như: nhìn thẳng, nhìn nghiêng hay
nhìn từ trên xuống. Cùng trong một ảnh có thể có nhiều khuôn mặt ở những tư
thế khác nhau.
- Sự có mặt của các chi tiết không phải là đặc trưng riêng của khuôn mặt người,
như: râu quai nón, mắt kính...

15


- Các nét mặt (facial expression) khác nhau trên khuôn mặt, như: vui, buồn, ngạc
nhiên...
- Mặt người bị che khuất bởi các đối tượng khác có trong ảnh.
- Sự biểu cảm của khuôn mặt (The expression of the face): sự biểu cảm có thể làm
thay đổi đáng kể các đặc trưng và thông số của khuôn mặt, ví dụ như khuôn mặt
của cùng một người sẽ rất khác khi người đó cười, tức giận hay sợ hãi…
1.4. Các ứng dụng của bài toán nhận dạng khuôn mặt
Xác định mặt người thường là một phần của một hệ thống (facial recognition
system) [4]. Nó thường được dùng trong giám sát video, giao tiếp người - máy và quản
lý cơ sở dữ liệu ảnh…
 Các ứng cơ bản của xác định mặt người có thể kể đến là:
- Xác minh tội phạm: Dựa vào ảnh của một người, nhận dạng xem người đấy có
phải là tội phạm hay không bằng cách so sách với các ảnh tội phạm đang được
lưu trữ. Hoặc có thể sử dụng camera để phát hiện tội phạm trong đám đông.
Ứng dụng này giúp cơ quan an ninh quản lý con người tốt hơn.
- Camera chống trộm: Các hệ thống camera sẽ xác định đâu là con người và
theo dõi xem con người đó có làm gì phạm pháp không, ví dụ như lấy trộm đồ,
xâm nhập bất hợp pháp vào một khu vực nào đó.
- Bảo mật: Các ứng dụng về bảo mật rất đa dạng, một trong số đó là công nghệ
nhận dạng mặt người của laptop, công nghệ này cho phép chủ nhân của máy
tính chỉ cần ngồi trước máy là có thể đăng nhập được. Để sử dụng công nghệ

này, người dùng phải sử dụng một webcam để chụp ảnh khuôn mặt của mình
và cho máy “học” thuộc các đặc điểm của khuôn mặt giúp cho quá trình đăng
nhập sau này.
- Lưu trữ khuôn mặt: Xác định mặt người có thể được ứng dụng trong các trạm
rút tiền tự động (ATM) để lưu trữ khuôn mặt của người rút tiền. Hiện nay có
những người bị người khác lấy trộm thẻ ATM và mã PIN và bị rút tiền trộm
hoặc có những chủ tài khoản đi rút tiền nhưng lại báo với ngân hàng là bị mất

16


thẻ và bị rút tiền trộm. Nếu lưu trữ được khuôn mặt của người rút tiền, ngân
hàng có thể đối chứng và xử lý dễ dàng hơn.
 Một số ứng dụng khác:
- Điều khiển vào ra: Văn phòng, công ty, trụ sở, máy tính, Palm,… kết hợp
thêm vân tay và mống mắt, cho phép nhân viên được ra vào nơi cần thiết.
- An ninh sân bay, xuất nhập cảnh (hiện nay cơ quan xuất nhập cảnh Mỹ đang
sử dụng). Dùng camera quan sát để xác thực người nhập cảnh và kiểm tra xem
người đó có phải là tội phạm hay phần tử khủng bố không.
- Tìm kiếm và tổ chức dữ liệu liên quan đến con người thông qua khuôn mặt
người trên nhiều hệ cơ sở dữ liệu lưu trữ thật lớn, như internet, các hãng
truyền hình… Ví dụ: tìm các đoạn video có tổng thống Obama phát biểu, tìm
các phim có diễn viên Thành Long đóng…
- Kiểm tra trạng thái người lái xe có ngủ gật, mất tập trung hay không và hỗ trợ
thông báo khi cần thiết.
- Tương lai sẽ phát triển các loại thẻ thông minh có tích hợp sẵn đặc trưng của
người dùng trên đó, khi bất cứ người dùng khác dùng để truy cập hay xử lý tại
các hệ thống sẽ được yêu cầu kiểm tra các đặc trưng khuôn mặt so với thẻ để
biết người này có phải là chủ thẻ hay không.
- Hãng máy chụp hình Canon đã ứng dụng bài toán xác định khuôn mặt người

vào máy chụp hình thế hệ mới để cho kết quả hình ảnh đẹp hơn, nhất là khuôn
mặt người.
1.5. Bài toán điểm danh dựa trên khuôn mặt
1.5.1. Bài toán điểm danh và quản lý nhân sự
Trong thời đại ngày nay, cùng với sự phát triển của khoa học kỹ thuật và xu hướng
công nghiệp hóa, hiện đại hóa: máy móc đang và sẽ tiếp tục thay thế con người trong
những công việc nặng nhọc và mang tính lặp đi lặp lại. Máy móc có những ưu điểm
không thể phủ nhận như không biết mệt mỏi, sẵn sàng phục vụ liên tục, không mang
tính chủ quan, khả năng xử lý nhanh, lưu trữ lớn...

17


Đối với bài toán điểm danh, chấm công với mục tiêu chủ yếu là kiểm soát nguồn
nhân lực về thời gian. Các nhà quản lý quan tâm tới hai vấn đề chính là một lao động
tên là “A” có mặt hay không, có đúng giời hay không, “A” có làm đủ số giờ quy định
hay không. Để giải quyết bài toán này thường các công ty, doanh nghiệp các nhà quản
lý sẽ sử dụng một nhóm người có chức năng chấm công và quản lý hoặc sử dụng một
hệ thống sinh trắc học. Đối với việc sử dụng con người có rất nhiều nhược điểm như:
chi phí lớn, tính khách quan không cao, không hoạt động tốt liên tục trong nhiều giờ
liền, không thể sử dụng với phạm vi lớn (một cán bộ chấm công không thể nhớ được
quá nhiều người, đặc biệt với những người mới gặp vài lần)... Vì thế các hệ thống sinh
trắc học tỏ ra khá hiệu quả và là lựa chọn hàng đầu trong bài toán này.
Với sự hỗ trợ của camera, máy tính và phần mềm điểm danh, nhà quản lý thu được
thông tin về sự có mặt và thời gian làm việc của người lao động một cách chính xác và
khách quan với chi phí thấp. Việc áp dụng nhận dạng khuôn mặt có thể được sử dụng
một cách độc lập với ưu điểm hơn các phương pháp sinh trắc học khác ở tính tự nhiên
của nó, đồng thời đây cũng có thể là một phương pháp được sử dụng kết hợp với các
phương pháp sinh trắc khác để nâng cao tính chính xác của hệ thống khi vận hành.
1.5.2. Đầu vào của bài toán

Với bài toán điểm danh, trong nội dung luận văn tôi lựa chọn phương pháp nhận
dạng khuôn mặt làm cơ sở để xây dựng hệ thống. Với đầu vào là ảnh của người cần
được điểm danh hệ thống sẽ nhận diện hình ảnh và đoán nhận chính xác tên của người
có trong ảnh, từ đó là cơ sở để điểm danh.
Như vậy, đầu vào của bài toán là ảnh thu được từ camera đặt ở vị trí quan sát. Vị trí
này thường là trước cửa của cơ quan, doanh nghiệp, đây thường là nối vào duy nhất
của đơn vị cần được điểm danh. Trong trường hợp có nhiều cửa vào cho một đơn vị
cần được điểm danh, hệ thống sẽ thiết đặt các camera tại các cổng vào. Kết quả điểm
danh sẽ là kết quả tổng hợp của các camera tại các vị trí khác nhau.
Trong trường hợp người quản lý cần xác định rõ thời gian làm việc của lao động
(cần xác định rõ thời gian vào và thời gian ra của một người) thì hệ thống cần thiết đặt
hai camera trên một cổng, một camera hướng ra để điểm danh người lao động khi vào
và một camera hướng vào trong để điểm danh người lao động khi ra khỏi khu vực làm
18


việc. Hiệu thời gian của lần ra và lần vào sẽ là thời gian người cần được điểm danh có
mặt tại khu vực làm việc.
Để đảm bảo hệ thống làm việc hiệu quả, chính xác cần xây dựng các tiêu chuẩn cơ
bản để hệ thống làm việc. Đây là thiết lập cần thiết để nâng cao tính chính xác và khả
năng làm việc của hệ thống. Các thiết đặt này xuất phát từ chính các khó khăn tồn tại
trong các thuật toán xác định và nhận diện khuân mặt hiện này:
-

Các khuôn mặt được chụp thẳng hoặc góc nghiêng không đáng kể (nhỏ hơn
hoặc bằng 10o).

-

Phông nền của ảnh không quá phức tạp.

-

Ảnh được chụp trong điều kiện ánh sáng bình thường.

-

Người được điểm danh không có các vật dụng với độ che phủ cao trên khuôn
mặt (kính đen, khẩu trang, râu giả...).

-

Không mang vác ảnh có mặt người qua khu vực điểm danh (sử dụng ảnh 2D
chụp người để điểm danh hộ, hoặc gây nhầm lẫn trong hệ thống)

1.5.3. Đầu ra và ý nghĩa thực tiễn
Bài toán điểm danh với đầu vào là ảnh thu được từ camera, dựa trên công nghệ
sinh trắc học nhận diện qua khuôn mặt sẽ trả lại kết quả là một danh sách tên người lao
động, trong đó mỗi một đối tượng người lao động tồn tại hai trạng thái là được điểm
danh và không được điểm danh. Để xác định một đối tượng cần được điểm danh ở
trạng thái nào, hệ thống dựa trên một tập các ảnh được lưu trong cơ sở dữ liệu, trong
quá trình nhận dạng đối tượng đi qua và nhìn về phía camera. Hệ thống nhận diện
khuôn mặt thu được từ camera và xác định xem đối tượng có nằm trong danh sách
điểm danh hay không, nếu có đối tượng tương ứng được xác định trạng thái là có mặt.
Ngược lại nếu đối tượng cần điểm danh không xuất hiện trong thời gian điểm danh thì
trạng thái của đối tượng tại phiên làm việc đó được xác định trạng thái là “vắng”.
Như vậy, đầu ra tổng quát của bài toán là xác định hình ảnh người trong ảnh vào
có tương ứng với một định danh ảnh đã có trong cơ sở dữ liệu hay không. Nếu có định
dang tương ứng là gì. Dựa trên một định danh được cung cấp bởi hệ thống nhận dạng
ta xây dựng chương trình điểm danh với hai trạng thái cơ bản là “vắng” và “có mặt”.

19


Nếu trong phiên làm việc định danh được hệ thống xác nhận thì trạng thái được xác
định là có mặt và ngược lại. Trong trường hợp cần xác định thời gian làm việc của đối
tượng đang theo dõi ta cần xác định thêm tham số thời gian khi đối tượng được hệ
thống định danh theo chiều vào và thời gian khi đối tượng được hệ thống định danh
theo chiều ra.

20


CHƯƠNG 2: MỘT SỐ KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT
2.1. Một số kỹ thuật phát hiện mặt người trong ảnh
Vấn đề phát hiện mặt được đưa ra đầu tiên vào những năm 70 với việc sử dụng
các kỹ thuật nhân trắc học và các phép heuristic giản đơn. Với những kỹ thuật này, ta
chỉ có thể đạt được kết quả trong những điều kiện khá chặt, ví dụ như nền ảnh đồng
nhất, khuôn mặt chụp thẳng... Cho đến ngày nay, cùng với sự phát triển vượt bậc của
khoa học kỹ thuật, việc yêu cầu những giới hạn như thế là không còn. Tuy nhiên, cùng
với những yêu cầu ngày càng cao, thì vấn đề phát hiện mặt người đang phải đối mặt
với những khó khăn mới. Trong suốt quá trình từ những năm đầu tới nay, đã có rất
nhiều các hướng xử lý và tiếp cận khác nhau được đưa ra nhằm giải quyết cho những
yêu cầu cụ thể khác nhau của từng giai đoạn, từng ứng dụng cụ thể và cũng có nhiều
cách phân loại các phương pháp, hướng tiếp cận này. Trong luận văn này, chúng ta sẽ
chia các phương pháp và hướng tiếp cận thành hai hướng chính: Hướng tiếp cận dựa
trên đặc trưng (Feature - based) và hướng tiếp cận dựa trên ảnh (Image - based).
Các phương pháp kỹ thuật được áp dụng trong phát hiện mặt được thể hiện trong
Hình 2.1.

21

Phát hiện mặt
(Face Detection)

Tiếp cận dựa trên
đặc trưng

Phân tích mức
thấp

Tiếp cận dựa trên
ảnh

Phân tích đặc
trưng

Mô hình hình
dạng động

Phương pháp
không gian con
tuyến tính

Biên ảnh

Tìm kiếm đặc
trưng

Snakes

Mạng noron

Đa mức xám

Phân tích chòm
sao

Mẫu biến đổi

Phương pháp
thống kê

Mô hình phân
phối điểm

Màu sắc

Chuyển động

Tiêu chuẩn suy
rộng

Hình 2.1. Sơ đồ các hướng tiếp cận và phương pháp phát hiện mặt người
2.1.1. Hướng tiếp cận dựa trên đặc trưng của ảnh
Phương pháp tiếp cận dựa trên đặc trưng được chia thành 3 vấn đề. Giả sử cần
phải phát hiện một khuôn mặt trong một nền ảnh lộn xộn, phân tích cấp thấp (lowlevel analysis) thực hiện phân đoạn các đặc trưng của ảnh dựa trên những thuộc tính
điểm ảnh như độ xám hay màu sắc. Sự phân đoạn này còn mập mờ và chưa rõ ràng.
Trong phân tích đặc trưng (feature analysis), các đặc trưng của ảnh được tổ chức thành
các đặc trưng khuôn mặt có tính tổng quát hơn dựa trên các đặc tính hình học của

khuôn mặt. Sau giai đoạn này, tính mập mờ của các đặc trưng của ảnh đã được giảm
22


bớt, đồng thời vị trí khuôn mặt cùng với các đặc trưng khuôn mặt đã được xác định.
Tiếp theo là việc sử dụng các mô hình hình dạng (active shape models). Những mô
hình này bao gồm từ mô hình con rắn (snakes) (được đề xuất vào những năm 80) cho
tới mô hình điểm phân tán (Point Distributed Model - PDM) được đề xuất vào những
năm gần đây để trích chọn các đặc trưng phức tạp như mắt, môi…
2.1.1.1. Phân tích mức thấp (Low level analysis)
Người ta gọi là phân tích mức thấp vì việc phân tích ở đây là phân tích dựa trên
các đặc trưng rất cơ bản và mang tính trực quan, những đặc trưng đó bao gồm biên
ảnh, thông tin đa mức xám, màu sắc, chuyển động, tính đối xứng của khuôn mặt.
a. Biên ảnh (Edges)
Biên ảnh (Edges) là một trong những thuộc tính quan trọng nhất trong các ứng
dụng xử lý ảnh, biên đã được sử dụng trong các ứng dụng phát hiện mặt ngay từ những
ngày đầu tiên bởi Sakai và cộng sự. Theo đó, các đặc trưng khuôn mặt được xác định
dựa trên việc phân tích các đường kẻ của các khuôn mặt trên ảnh. Craw và cộng sự sau
đó đã phát triển một giải thuật phân cấp dựa trên công việc của Sakai và cộng sự để
tìm các mô tả các đầu người có trong ảnh. Trong đó, một thành phần dò tìm đường
biên (line-follower) với các ràng buộc về độ cong được sử dụng để tránh các biên
nhiễu. Các đặc trưng về biên trong các biểu diễn mô tả của đầu người sau đấy được
phân tích đặc trưng sử dụng thông tin hình dạng và thông tin vị trí của mặt. Gần đây,
vấn đề trích chọn đặc trưng mặt sử dụng biên và phát hiện mặt sử dụng biên đã được
xây dựng bởi rất nhiều tác giả, trong đó có Brunelli và Poggio (1993), J.Choi, S.Kim
và P.R.Hee (1999), B.K.Low và M.K.Ibrahim (1997)... Ngoài ra, biên còn được sử
dụng trong việc phát hiện những ảnh mặt người đeo kính (Z.Ling và R.Mariani, 2000
và X. Jiang, M. Binkert, B. Achermann, H. Bunke, 2000).
Phát hiện biên là bước đầu tiên trong vấn đề biểu diễn biên. Cho tới nay, đã có rất
nhiều toán tử phát hiện biên được áp dụng. Các vấn đề về biên và phát hiện biên sẽ

được trình bày kỹ hơn trong chương sau.
Trong phương pháp phát hiện mặt áp dụng biên, các biên phải được gán nhãn và
phù hợp với một mẫu mặt nhằm đảm bảo sự phát hiện là đúng đắn. Govindaraju đã
thực hiện công việc này bằng cách gán nhãn các biên như là bên trái, bên phải, nhìn
23


thẳng hay là tóc và sau đó phù hợp chúng với một mẫu bằng cách sử dụng tỷ lệ vàng
của một khuôn mặt điển hình:
height 1  5

width
2

Trong hệ thống của Govindaraju, khi tiến hành kiểm thử 60 ảnh có nền phức tạp
bao gồm 90 khuôn mặt, thì thấy khả năng hệ thống có thể phát hiện chính xác là 76%
với mức độ trung bình sai 2 mặt/1 ảnh.
b. Thông tin đa mức xám (Grayscale Information)
Ngoài biên, thông tin đa mức xám trong ảnh cũng có thể được sử dụng như một
đặc trưng. Một số đặc trưng của khuôn mặt như lông mày, đồng tử hay môi thường tối
hơn những vùng mặt xung quanh. Thuộc tính này có thể được sử dụng để phân biệt
nhiều vùng mặt khác nhau. Một số giải thuật trích chọn đặc trưng gần đây thực hiện
tìm kiếm vùng cực tiểu địa phương mức xám trong một phân đoạn ảnh mặt. Trong
những giải thuật này, ảnh đầu vào được cải thiện bằng cách làm tăng độ tương phản
(contrast - stretching) và thực hiện các bước biến hình mức xám (gray - scale
morphological routine) để làm tăng độ tối của những phần nói trên, do đó làm cho việc
phát hiện được dễ dàng hơn. Sau đó những vùng tối này được trích chọn bằng phép lấy
ngưỡng dưới. Bên cạnh đó, Wong và cộng sự tiến hành xây dựng một hệ thống tự
động tìm kiếm các vùng tối thuộc mặt thông qua sự phân tích về màu sắc. Hệ thống sử
dụng một mẫu mắt gán trọng số để xác định các vị trí có thể của cặp mắt.

c. Màu sắc (Color)
Thông tin mức xám cho phép chúng ta biểu diễn một cách cơ bản các đặc trưng
của ảnh, còn thông tin về màu cho phép ta phân biệt hữu hiệu các đối tượng trong ảnh.
Bởi màu được biểu diễn trong không gian 3 chiều, nên 2 đối tượng có cùng mức xám
sẽ có những thể hiện khác nhau trong không gian màu. Người ta đã chứng minh được
rằng màu da của con người, dù ở lứa tuổi nào hay ở màu da nào, thì đều phân bố trên
một cụm xác định của hệ toạ độ màu.
Một trong những hệ toạ độ màu được sử dụng nhiều nhất là hệ toạ độ RGB. Theo
đó, mỗi màu được biểu diễn bởi sự kết hợp của các giá trị của 3 thành phần màu: đỏ
(Red - R), xanh (Green - G) và xanh lá cây (Blue - B). Bởi các thay đổi chính trong
24


việc biểu diễn da là bởi sự thay đổi về độ sáng, nên thông thường ta thường sử dụng hệ
toạ độ RGB chuẩn hoá, do đó ảnh hưởng của độ sáng được loại bỏ. Các thành phần
chuẩn hoá được tính bởi:
R
RGB
G
g
RGB
B
b
RGB
r

Do r + g + b = 1 nên trong hệ toạ độ màu chuẩn hoá này ta chỉ cần biết 2 giá trị r
và g, bởi b = 1 – r – g. Khi phân tích màu da, histogram màu dựa trên r và g chỉ ra rằng
màu của mặt người chỉ chiếm một vùng nhỏ trên histogram. Bằng cách so sánh thông
tin màu của một điểm ảnh với các giá trị r và g của vùng màu mặt, ta có thể xác định

được xác suất thuộc vùng mặt của điểm ảnh đấy.
Bên cạnh mô hình RGB, người ta cũng sử dụng một số mô hình khác trong việc
phát hiện mặt. C.H.Lee, J.S.Kim and K.H.Park, 1996, đã xây dựng một giải thuật sử
dụng mô hình HSI do ưu điểm vượt trội của nó trong việc phân biệt các vùng màu của
các đặc trưng khác nhau của khuôn mặt. Do đó, mô hình HSI được sử dụng trong việc
trích chọn các đặc trưng của khuôn mặt như mắt, môi...
G.Wei và I.K.Sethi, 1999, sử dụng mô hình YIQ để phát hiện mặt. Bằng cách
chuyển đổi từ hệ toạ độ RGB sang YIQ, người ta nhận thấy thành phần I - thể hiện sự
thay đổi từ màu cam (orange) sang màu lục (cyan), có khả năng cải thiện vùng da của
người Á Châu. Việc chuyển đổi này cũng làm triệt tiêu các phần nền không phải da và
do đó, giúp cho việc phát hiện các khuôn mặt nhỏ được dễ dàng hơn. Ngoài ra, một số
mô hình màu khác cũng được sử dụng trong việc phát hiện mặt, như HSV, YES, CrCb,
YUV, CIE-xyz, L*a*b, L*u*v*...
d. Chuyển động (Motion)
Nếu yêu cầu của việc phát hiện mặt người là trong môi trường ảnh video, thì hợp
lý nhất cho việc phát hiện mặt là sử dụng yếu tố chuyển động. Phương pháp đơn giản
nhất là sử dụng sự khác biệt giữa các frame. Mặc dù phương pháp này tỏ ra khá đơn
giản, nhưng nó vẫn có thể phát hiện được sự cử động của các đối tượng trên bất cứ nền
nào một cách có hiệu quả. Các bóng cử động có chứa phần mặt và cơ thể người có thể
25